★高新兴科技集团股份有限公司吴冬升，郑廷钊，郑泽彬，曾少旭

摘要：智慧交通和智能网联是边缘计算应用的典型场景。在“云-边-端”系统架构中，边缘计算承载着云侧算力下沉及端侧计算任务卸载的使命。本文分析了边缘计算在智慧交通及智能网联应用中面临的挑战及发展趋势，研究了不同业务场景下边缘计算需要处理的主要内容，分析了边缘计算在“云-边-端”架构中的重要作用。

关键词：边缘计算；智慧交通；智能网联

Abstract: Intelligent transportation and intelligent-connected industries are prime examples of edge computing applications. In the "cloud-edge-end" system architecture, edge computing bears the mission of sinking cloud side computing power and unloading end side computing tasks. This paper aims to analyze the challenges and development trends of edge computing in intelligent transportation and intelligent-connected applications. It delves into the main issues that edge computing needs to address in various business scenarios and highlights the crucial role of edge computing in the "cloud-edge-end" architecture. 

Key words: Edge computing; Intelligent transportation; Intelligent-connected

1引言

当前，新一轮科技革命和产业变革蓬勃发展，汽车、交通及信息通信等领域技术加速融合，基于云端集中管理与分析、边缘计算分析决策、端侧数据采集以及C-V2X泛在通信的“云-边-端”系统架构已成为智慧交通与智能网联的行业共识。边缘计算具有降低处理时延、减轻传输和存储压力及本地化服务的优势，在智慧交通与智能网联技术版图中扮演越来越重要的角色。根据国家“十四五”规划、《新能源汽车产业发展规划（2021~2035年）》《国家综合立体交通网规划纲要》《关于加快推进新型城市基础设施建设的指导意见》等政策指导，我国将重点推动智能网联汽车以及智能化道路的升级改造，加快新型基础设施建设。面向智慧交通与智能网联的新型基础设施建设重点推进构建智能网联汽车计算平台及路侧感知系统，其中边缘计算设施是核心组成部分，基于边缘计算、人工智能等技术实时采集各类感知数据进行智能分析和融合处理，能够有效解决传统基础设施存在的感知数据单一、数据类型异构、置信度及融合度较低等问题，有望实现全天候、全时空的信息感知，从而支撑辅助驾驶、自动驾驶以及交通管控、城市管理等应用场景，具有巨大的市场需求。

2边缘计算在智慧交通和智能网联应用面临的挑战和趋势

2.1大算力要求

智慧交通系统为实现智能交通管理、自动驾驶和车路协同等重要应用，需要大量数据的支撑与协助，尤其在交通高峰时期，采集、处理及分析大量的实时数据将产生庞大的数据传输量。庞大数据信息量需要边缘侧有更大算力进行分析计算处理。一方面，道路交通环境感知需要接入大量的摄像机、激光雷达、毫米波雷达、气象传感器等感知设备甚至其他车辆数据在边缘侧进行融合分析，并且车路协同等业务需达到毫秒级的处理速率。传感器数量和类型的增加、分辨率的提升以及低时延处理要求对边缘计算提出了大量异构数据高速处理的要求，算法模型的复杂程度亦大幅提升，算力也亟需提升。以单路口为例，支持交通监控及交通执法业务感知需求的智能道路路侧算力需要10~50TOPS，支持信息共享及辅助预警等车路协同基础业务感知需求的算力需要50~100TOPS，支持协同感知与协同决策控制等高等级自动驾驶业务感知需求则需要100~300TOPS[1]。另一方面，自动驾驶等级每增加一级，所需算力就会呈现数十倍的上升。如支持L2级自动驾驶的算力仅需要2-2.5TOPS，但是支持L3级自动驾驶的算力需求就达到20-30TOPS，支持L4级自动驾驶的算力需要200TOPS以上，支持L5级别自动驾驶算力需求则超过2000TOPS。

从芯片平台角度来看，大算力芯片需要满足以下三个特点，其一是具备高算力，同时要有优秀的能耗比；其二是要有灵活性和扩展性，不仅需要覆盖多种车型和路端，也需要可定制、模块化的平台来满足不同车端和路端场景下的开发需求，同时降低开发成本；其三是在软件层面能够提供配套的工具库。在2021年发布的地平线征程5成为国内首款实现前装量产的128TOPS大算力AI芯片。而在2022年9月，英伟达推出的芯片NVIDIADriveThor，这款超级芯片可实现最高2000TOPSAI算力以及2000TFLOPS浮点算力，不断刷新单芯片算力上限，给自动驾驶厂家研发更丰富的应用场景提供更多可能性。

2.2异构计算要求

在智慧交通与智能网联应用中，边缘侧需要处理多种不同属性的计算任务，例如多传感器融合、图像及点云特征提取、目标检测与分类识别、目标跟踪、车道级感知定位和路径规划等。以全息路口摄像机视觉图像处理为例，它分为图像获取、特征抽取、特征处理、模式识别和动作反馈等步骤[2]。传统的CPU更倾向于通用计算和复杂动作反馈决策，而对大量图像数据的高速并行实时处理，比如像素处理和梯度检测等需要GPU等专用内核来高速计算。依托异构计算技术能够整合不同架构的内核到单一芯片中，从而适配复杂计算要求。

异构计算是多元算力的典型。主要是指不同类型的指令集和体系架构的计算单元组成的系统的计算方式[3]。跨越CPU、GPU、FPGA、ASIC的异构计算，如今已经成为云计算和边缘计算基础设施建设的重要力量，表1为不同计算单元的特点[4]。异构计算能够将不同架构的运算单元整合到一起进行并行计算，通过上层软件解耦方式来屏蔽硬件多样性，针对不同计算任务选择最适合的专用硬件去做最适合的事，如密集计算或外设管理等，充分发挥不同硬件平台的优势，从而提升计算平台的性能和能耗比，降低计算时延，达到性能和成本的最优化。使用异构计算能够化解算力瓶颈，挖掘和实现算力增长。

表1不同计算单元特点

2.3国产化要求

全球智能网联产业正处于从示范逐步走向规模化应用的快速发展期，发展自主可控、领先全球的核心技术是我国实现汽车变革及交通强国目标的战略机遇。2022年国家发布的“十四五”规划提出，要大力发展智慧交通，推动自动驾驶行业稳妥发展，明确将“自主可控”列为国家制造强国战略的必要要求，加快补齐基础软件等瓶颈短板。边缘计算产品在智慧交通和智能网联领域中提供端侧感知、边缘服务、算力供给、协同联动等能力，其重要性不言而喻。但是，边缘计算产品国产化水平低，关键设备、核心元件仍严重依赖进口，影响信息和数据安全，需要推动自主研发，实现边缘计算产品的国产化。

边缘计算产品国产化不仅仅是边缘计算硬件国产化，而且需从底层芯片、架构、操作系统到算法全面推进国产化。包括CPU、GPU、内存和运存等硬件核心器件的国产化，同时还包括操作系统国产化、中间件国产化、数据库国产化、深度学习框架国产化等，确保关键核心技术自主可控。打造自主可控的国产化边缘计算产品，这是历史的必然也是时代的使命。

3智慧交通与智能网联边缘计算设备主要处理内容分析

3.1交通管理场景应用分析

一直以来，基于边缘计算的路侧计算单元或智能感知终端被广泛应用于交通管控、安防保障、智能研判、违法取证等交通管理场景中。全息路口是交通管理智慧化改造典型场景之一，通过智能边缘计算单元将路口多方向的视频、雷达等多维感知数据统一接入、解析、拟合，融合智能传感器、AI算法、边缘计算、高精度地图等技术生成“全面、准确、实时、精细”的交通数据，实现路口的全息感知。通过采集及分析道路交通数据，如车流量、平均速度、排队状态、车头时距、间距、区域停车数、平均延误、空间及时间占有率等数据，解决传统路口单视觉感知、信号灯固时和事后分析等痛点问题，能够为道路交通信号自适应控制、溢出控制、路口仿真等提供精确数据支撑和可视化体验，辅助交警提高管理效能，提升路口通行效率；通过对目标及事件的检测识别、人脸特征识别、车辆号牌识别等，智能判断各种违法行为及突发事件，比如闯红灯、逆行、压线、违章停车、交通事故等，并自动记录事件行为的完整过程，为事件监测、全程监测、交通执法等多场景提供数据支持。此外，在城市视频监控系统的应用上，可以构建融合边缘计算模型和视频监控技术的新型视频监控应用的软硬件服务平台，以提高视频监控系统前端摄像机的智能处理能力，进而提升城市交通管理水平。

3.2高速公路场景应用分析

高速公路场景下的边缘计算广泛应用于交通事件、隐患分析、道路养护、机电设备联控、数字孪生展现、车辆信息监测与诊断、车载信息增强等业务。通过感知设备实时采集高速公路范围内的路面病害、缺陷及道路设施设备视频图像信息，由AI边缘计算单元自动识别道路病害及设施设备完好情况，生成巡检结果，从而提升巡检效率及安全性，降低运维成本。通过采集道路交通参与者的类型、位置、速度和运行轨迹、车牌信息、交通拥堵情况等要素，利用边缘计算以减少数据在网络中的传输时间，实现对交通状态的精准感知，为车辆安全行驶、交通疏导、交通事件处置等提供数据支撑。

3.3智能网联场景应用分析

智能网联场景中，由于驾驶环境的复杂性和动态性，无论智能网联汽车还是路侧感知系统均需通过边缘计算融合多种传感器以实现准确、可靠的环境感知以及毫秒级的处理决策时延。智能网联数据不仅包括通过视频图像、雷达等检测的交通参与主体（人、机动车、非机动车）的状态、速度、方向、位置等信息，以及车辆自身数据如时速、油门、刹车开度、方向灯等信息，还包括交通信号灯、交通管控、环境天气等信息。利用边缘端的AI推理分析能力，运用轨迹跟踪、行为分析、事件触发、违规检测等技术，结合多种智能分析算法的应用，如多传感器时空联合标定算法、视觉目标检测算法、视觉目标追踪算法、车辆特征识别算法、视觉定位算法、雷达目标检测算法、雷达目标追踪算法、异构传感器目标关联算法、目标轨迹融合算法、目标轨迹跟踪算法等。融合了多源异构传感器大量的数据，输出目标结构化数据，实现车-路-云之间低流量高效的信息交互，为交通出行者提供可靠的全天候全方位的交通要素信息，满足赋能自动驾驶以及智慧交通管理的诉求。

4边缘计算在智慧交通和智能网联“云边-端”架构中的作用分析

云-边-端架构已经成为智慧交通和智能网联行业应用部署的基本范式。云侧负责集中式管理以及部分数据处理，边侧主要提供边缘端数据分析计算决策处理，端侧主要负责业务数据采集。在“云-边-端”架构中，“边”的作用越发明显，应用场景也越来越广泛。具体有如下特点[5]：

（1）提高实时响应能力。云计算模型的系统性能瓶颈在于并发处理带宽的有限性，通过网络传输海量数据需要一定的时间，云计算中心处理数据也需要一定的时间，这些都会增加业务请求的响应时间。其次，在隧道或信号故障、信号干扰等区域，当与云端失联时则无法提供服务。而边缘计算靠近数据源头的网络边缘侧，就近提供边缘智能服务，能够提供毫秒级低时延反馈，从而满足智慧交通和智能网联领域对实时性的要求。

（2）减轻网络和云计算中心的压力。虽然云计算中心具有非常强大的处理性能，但是智慧交通和智能网联相关终端设备，尤其是摄像机视频图像、雷达点云等感知数据的接入，占用了大量的带宽且给云计算中心造成巨大的业务处理压力。边缘计算则可以利用自身的计算和决策能力在本地处理数据，并将最终的处理结果发送到云计算中心进行汇总。另外，实时交通产生的大量数据很多情况下是不需要进行长期存储的，比如视频监控录像和车辆数据，在完成数据处理后可以直接将大量的无作用数据丢弃，也减少了云计算中心的存储压力。

（3）满足海量异构连接和数据优化的需求。智慧交通与智能网联基础设施建设中，有大量的异构设备接入，如摄像机、激光雷达、毫米波雷达、RSU（RoadSideUnit，路侧单元）、信号机、气象传感器和可变情报板等不同形态的终端设备。这些设备需要进行接入管理、退出管理、告警处理、运维处理，同时产生的异构数据需要进行数据优化实现数据的聚合、数据的统一呈现与开放，以便灵活、高效地服务于边缘应用。边缘计算可以分而治之、化大为小，提供跨层协议转换功能，实现异构数据的统一和稳定接入乃至协同控制。

（4）满足隐私保护和信息安全的需求。智慧交通与智能网联应用场景中，大量地使用视频图像、雷达感知、短程通信交互等来构建全要素的交通参与者信息，必将带来出行者的隐私和信息暴露的风险。区别于云计算方式，边缘计算无须将全量数据通过网络传输到云服务器上，只在边缘端对数据进行从生产到加工到产出的转换，在本地生产并在本地销毁。只保留姿态、轨迹、事件等信息，对敏感数据进行脱敏保护，并采用加密的方式往云端或用户端进行推送，有效保护交通参与者的隐私和信息安全。

5结束语

边缘计算以本地化、低时延、高可靠、隐私保护等优势已成为智能交通与智能网联系统架构中不可或缺的组成部分，是其不断优化和发展的重要选项。边缘计算能够支撑实现智能交通道路养护、交通状态监测、交通违法取证、信号配时优化等业务，支撑实现车路协同自动驾驶，赋能低碳高效出行。当前全球正处于新一轮汽车与交通产业变革的关键时期，边缘计算作为我国新型基础设施建设的重点内容之一，还需在算力、异构计算、国产化及应用场景深度融合等方面持续创新引领，提高我国智能网联汽车产业国际竞争力，助力建设汽车与交通强国。

作者简介：

吴冬升（1975-），男，博士，现任高新兴科技集团股份有限公司高级副总裁，国家级企业技术中心（高新兴）副主任，对5G、车联网、物联网、大数据、人工智能、数字化转型、智慧城市有深刻洞察。获得2020年吴文俊人工智能科学技术奖二等奖。

郑廷钊（1989-），男，现任高新兴科技集团股份有限公司智能网联事业部副总经理，主要研究方向为5G、车联网、物联网、人工智能、数字化转型、智慧城市等。

郑泽彬（1991-），男，现任高新兴科技集团股份有限公司产品经理，主要负责边缘计算、车路协同等研究工作。

曾少旭（1990-），男，现任高新兴科技集团股份有限公司高级标准化工程师，主要从事车路协同产业、标准和前沿技术研究。

参考文献：

[1]清华大学智能产业研究院,百度Apollo.面向自动驾驶的车路协同关键技术与展望2.0[R/OL].2022.

[2]中国图像图形学报.面向智慧交通的图像处理与边缘计算[R].2022.

[3]贾斯特,张云泉,等.OpenCL异构计算(第2版)[M].北京:清华大学出版社,2013.

[4]IMT-2020(5G)推进组.基于边缘计算的路侧感知融合系统研究[R].2021.

[5]吴冬升,等.从云端到边缘:边缘计算的产业链与行业应用[M].北京:人民邮电出版社,2021.

摘自《自动化博览》2023年第2期暨《边缘计算2023专辑》